利用AI预测或可改善心衰再入院率（下）

导读

61．3％的心衰患者出院后1年内再入院，早期预测患者的再住院概率和原因有助于制定和调整患者出院后的远程支持和教育。

心力衰竭（HF）的主要潜在致病原因，包括冠状动脉疾病、心脏瓣膜病、高血压、心肌病，以及其他疾病（图1），尽管与治疗这些病因相关的临床管理、外科手术和医疗设备都取得了进展，但HF的治疗仍然面临重大挑战。需要应用新技术、新方法来优化这种慢性病的管理，改善临床决策和预后，并最终减少相关医疗支出。

在此背景下，一篇近期发表于 Digital Medicine in Heart Failure 的综述论文为大家详细介绍了深度学习（Deep Learning，DL）技术在HF诊疗中的应用现状，文章通过聚焦诊断、预后和再住院风险预测，探索DL在该领域应用的成熟度。

DL应用于HF诊断及预后预测的相关内容请看上一篇：《利用AI预测或可改善心衰再入院率（上）》

04

预测再入院有助于定制和调整患者出院后远程支持

HF再入院率非常高，61．3％的患者出院后1年内因HF再入院，这对患者的生活质量以及医疗系统都产生了负面影响。开发有效工具预测患者的再住院概率和原因有助于制定和调整患者出院后的远程支持和教育。此外，早期识别高危患者将改善可能挽救生命的随访时间安排。

自患者出院起，EHR包含的大量数据可支持对患者预后及再入院概率的预测。一些研究探讨了将DL模型应用于此的可能性，比如CONTENT。它是一个基于RNN，旨在预测30天再入院率的DL模型。它利用5393名充血性HF患者的EHR进行开发，嵌入了与患者疾病、实验室检查、药物相关的数据。尽管优于其他现有模型，但结果仍不能令人满意，平均查准率－查全率曲线AUC为38．94％，AUC为61．03％，准确度为69．34％。基于住院和门诊患者访问期间获得的数据开发的深度统一网络模型的结果略有改善，预测HF患者30天再入院的平均AUC为70．5％，准确度为76．4％。

将基于DL的方法应用于来自EHR的大数据还可以识别HF患者的亚型。Xiao和同事的研究能够识别出20个充血性HF患者亚组，每个亚组可能表现出不同的合并症，这些合并症可能影响该综合征的进展，从而影响再次入院的风险。这种方法可以为个性化和有针对性的家庭护理路径的识别和开发铺平道路。

远程监测解决方案可以有效支持HF患者管理自身病情，提高生活质量，从而降低再入院和死亡的风险。目前的方法主要包括使用可植入设备进行远程监测，如CardioMems和IN－TIME方法已被2016年欧洲心脏病学年会（ESC）急性诊断和治疗指南推荐为II类，用于特定患者急性和慢性HF的诊断和治疗。由于技术和通信系统的进步，非侵入性远程医疗解决方案，包括基于电话的监测和教育、可穿戴和移动健康，已经得到实施和测试。

TIM－HF2（心力衰竭的远程医疗介入管理II）前瞻性随机对照试验是一个成功的无创多参数远程患者监测的例子。796名患者被分配到远程监测组，775名患者被分配到对照组。该研究涉及多种每天测量和传输的生理参数，包括体重、血压、心电图、心率和外周毛细血管氧饱和度，以及健康状况的自我评分，促进远程医疗中心与心脏病专家、全科医生的合作。远程医疗软件分析收集到的数据，并将患者划分风险类别。

结果表明，该研究有效地支持了高危患者识别，加速了有针对性的干预，从而减少了1年随访期天数和全因死亡率。最近的一项研究进一步改进了这些结果，实现了基于TIM－HF2数据库的DL神经网络模型，使平均AUC值达到0．84。

可穿戴设备还可以促进对患者出院后健康状况的持续监测，从而为改善远程监测和医疗保健提供机会。LINK－HF研究旨在评估使用佩戴在胸部的可穿戴传感器预测导致HF患者再次住院的病情恶化的准确性。设备连续采集心电图、加速度信号、皮肤阻抗和皮肤温度数据，监测心率及其变异性、心律失常负荷、呼吸频率、体力活动和身体姿势。收集到的数据被上传云端进行分析。基于相似度的ML算法生成一个多变量指标来反映获得的重要参数的变化程度。该平台在预测HF恶化患者再入院方面的敏感度为76．0 － 87．5％，特异性水平为85％。

随着DL算法在HF患者管理领域越来越多的应用，以及心血管医学的快速发展，DL有可能为医疗健康领域的新一代预测方法铺平道路，这种方法可以自动参与治疗规划的基本过程，帮助识别复杂和异构数据集中的隐藏信息，有效支持临床医生的日常活动。

要使DL成为临床实践的一部分，还需要妥善解决一些挑战，比如数据高度异构、患者数量有限、训练数据集差异等，包括所需经济投入，以及立法监管、伦理问题。但挑战也带来了新的机遇和进一步研究的需要，以提供更多证据，证明这些算法正在转化为更好的患者护理质量、改善结果和医疗成本降低。

参考材料：

Marco Penso， Sarah Solbiati， Sara Moccia ＆ Enrico G． Caiani， et al． Decision Support Systems in HF based on Deep Learning Technologies ［J］． Digital Medicine in Heart Failure， 2022， （2）．

【责任编辑：苏夏】

——本公众号所有图文，未经许可，严禁转载！

如需转载，请提前与编辑联系取得转载许可。否则视为侵权！

原文标题:利用AI预测或可改善心衰再入院率（下）